Integrantes

Apellido, Nombre Código Correo Electronico
Alvarado Vargas, Fabian 201910354
Murga Díaz, Nathalie Inés 202110238
Flores Soto, Ronaldo Dylan 202110122
Vilcarromero Moscoso, Rodo Arturo 202010431
Hilario Quintana, Jeffry 202020082

Introducción

La moda es una industria global en constante evolución y uno de los mayores impulsores del comercio internacional. Los consumidores buscan constantemente nuevas tendencias y estilos únicos, lo que hace que la industria de la moda sea altamente competitiva. Para ayudar a los minoristas a mantenerse al día con las últimas tendencias y preferencias de los consumidores, se están desarrollando nuevas herramientas de análisis de datos y motores de búsqueda para la moda.

Relevancia y Justificación:

En este contexto, el desarrollo de un gestor de motor de búsqueda para la elaboración de recomendaciones sobre las preferencias de la ropa de moda en la India se vuelve crucial para mejorar la capacidad de las empresas de este sector, ya que permite ofrecer productos más acordes a las necesidades y gustos de los consumidores. Además, este tipo de herramientas tecnológicas permiten recopilar grandes cantidades de datos sobre las preferencias de los consumidores de manera eficiente, lo que es vital para mejorar la eficacia y eficiencia de la toma de decisiones empresariales.

Objetivos:

Objetivo Principal:

Nuestro objetivo de este trabajo es presentar un gestor de motor de búsqueda para elaborar recomendaciones sobre las preferencias de la ropa de moda en la India. Para ello, se analizará una base de datos, MYNTRA, que incluye información sobre los gustos y preferencias de los consumidores en cuanto a diferentes tipos de prendas y estilos de moda.

Objetivos Secundarios

A partir de esta información, se desarrollará un modelo de recomendación que permita a las empresas del sector ofrecer productos más acordes a las necesidades y gustos de los consumidores, contribuyendo así a mejorar su competitividad y su capacidad de satisfacer las demandas del mercado.

  • Identificar los productos más caros
  • Identificar los colores más repetidos que llevan el aumento de precio
  • Identificar que productos que prefiere la población, su precio, color y para que géneros
  • Analizar qué productos en el mercado de la India son más caros y para qué género
  • Identificar los colores preferidos de la población con relación a su género

Datos

Recolección de datos

Se ha seleccionado la data de una base de datos de Kaggle con el nombre “Fashion Clothing Products Dataset” el cual presenta una población de 10000 valores. La base de datos se origina en Myntra.com, Myntra es una importante empresa india de comercio electrónico de moda con sede en Bengaluru, Karnataka, India. La empresa se fundó en 2007 para vender artículos de regalo personalizados. En mayo de 2014 , FlipKart adquirió Myntra.com.

Empezaremos cargando nuestra base de datos

library(readr)
library(dplyr)
library(modeest)
library(ggplot2)
library(plotrix)

dataframe<-read_csv("myntra_products_catalog.csv")
dataframe

Población Objetivo

Seleccionaremos una muestra de 1000 variables para poder cumplir nuestros objetivos y poder responder de manera adecuada cada pregunta usando los análisis y limpieza de los datos que hemos aprendido a lo largo de este curso.

A continuación seleccionaremos nuestra muestra

dataMuestra<-dataframe[1:1000,]
dataMuestra

y continuaremos con nuestro estudio en base a esta

Variables de estudio iniciales

Para la base de datos presentamos las siguientes variables:

Nombre de variable Tipo de variable Descripción
ProductoId cualitativa Es nuestra llave primaria para cada producto, única en toda la base de datos
NombreProducto cualitativa El nombre del producto
MarcaProducto cualitativa La marca que fabrica el producto
Género cualitativa El género el cual esta destinado para el producto
PrecioUSD cuantitativa El precio en Rupias(INR) convertido a dolares estadounidenses(USD)
NumImagenes cuantitativa Cantidad de imágenes que hay para el producto
Descripción cualitativa Una pequeña descripción sobre el producto
ColorPrimario cualitativa Color del producto

Actualizamos el nombre de nuestras columnas para una mejor visualización de nuestro estudio.

colnames(dataMuestra)
## [1] "ProductID"    "ProductName"  "ProductBrand" "Gender"       "Price (INR)" 
## [6] "NumImages"    "Description"  "PrimaryColor"
colnames(dataMuestra)<-c("ProductoId","NombreProducto","MarcaProducto","Genero","PrecioUSD","NumImagenes","Descripción","ColorPrimario")

Ahora nuestras columnas se llamaran

colnames(dataMuestra)
## [1] "ProductoId"     "NombreProducto" "MarcaProducto"  "Genero"        
## [5] "PrecioUSD"      "NumImagenes"    "Descripción"    "ColorPrimario"

Control de los Na en las variables

any(is.na(dataMuestra$ProductoId))
## [1] FALSE
any(is.na(dataMuestra$NombreProducto))
## [1] FALSE
any(is.na(dataMuestra$MarcaProducto))
## [1] FALSE
any(is.na(dataMuestra$Genero))
## [1] FALSE
any(is.na(dataMuestra$PrecioUSD))
## [1] FALSE
any(is.na(dataMuestra$NumImagenes))
## [1] FALSE
any(is.na(dataMuestra$Descripción))
## [1] FALSE
any(is.na(dataMuestra$ColorPrimario))
## [1] TRUE

Detectamos que color primario cuenta con valores Na entonces procedemos a corregirlo

dataMuestra$ColorPrimario[is.na(dataMuestra$ColorPrimario)]<-"No color"
any(is.na(dataMuestra$ColorPrimario))
## [1] FALSE

Convertimos la rupia del Precio del producto a dolares estadounidenses

dataMuestra$PrecioUSD<-dataMuestra$PrecioUSD*0.012
dataMuestra$PrecioUSD[1:10]
##  [1] 140.940  69.720  10.788  67.188   9.108   9.492   8.628  10.788   7.968
## [10] 208.320

Análisis descriptivo

La moda de los productos:

getmode <- function(mod) {
   uniqv <- unique(mod)
   uniqv[which.max(tabulate(match(mod, uniqv)))]
}
modNombreProducto <- dataMuestra$NombreProducto
result <- getmode(modNombreProducto)
print(result)
## [1] "Parx Men Blue Slim Fit Checked Casual Shirt"
#OTRA FORMA
mfv(dataMuestra$NombreProducto,method="mlv")
## [1] "Parx Men Blue Slim Fit Checked Casual Shirt"

A partir de esta función, podemos determinar e producto que más se repite, es decir, el que posee mayor demanda por los consumidores. En este caso es “Parx Men Blue Slim Fit Checked Casual Shirt”.

tablaNombreProducto<-table(modNombreProducto)

maxNombreProducto<-max(tablaNombreProducto)
print(maxNombreProducto)
## [1] 16
# Convertir la tabla en un dataframe
tabla_df <- as.data.frame(tablaNombreProducto)
# Acceder al conteo
conteo <- tabla_df$Freq
# Definir el valor umbral para cambiar el color de la barra
ggplot(tabla_df,aes(x=tabla_df$modNombreProducto,y=tabla_df$Freq)) +
  geom_bar(stat = "identity", fill = ifelse(conteo == maxNombreProducto, "green", "blue")) +
  labs(x = "Nombre Producto", y = "Cant. Apariciones") +
  ggtitle("Gráfico de barras - NombreProducto") +
  theme_minimal()

ProductosPreferidos<-dataMuestra %>%
  filter(dataMuestra$NombreProducto==result)

precios<- as.data.frame(table(ProductosPreferidos$PrecioUSD))
colores<-as.data.frame(table(ProductosPreferidos$ColorPrimario))
sexos<-as.data.frame(table(ProductosPreferidos$Genero))

EXPLICACIÓN:

Podemos observar en mediante este gráfico de barras que el nombre que más pedido en MYNTRA es “Parx Men Blue Slim Fit Checked Casual Shirt” con un total de 16 veces pedido. Además de que su rango de precios es entre:

range(as.double(as.character(precios$Var1)))
## [1]  8.148 11.268
print(colores$Var1)
## [1] Blue
## Levels: Blue
print(sexos$Var1)
## [1] Men
## Levels: Men

Podemos concluir que los hombres, que compran “Parx Men Blue Slim Fit Checked Casual Shirt” a un precio entre 8.148 y 11.268 les gusta el color azul, además de que tambien es el producto.

La moda de la marca del producto:

getmode <- function(mod) {
   uniqv <- unique(mod)
   uniqv[which.max(tabulate(match(mod, uniqv)))]
}

mod <- dataMuestra$MarcaProducto

result <- getmode(mod)
print(result)
## [1] "Parx"

A partir de esta función, podemos determinar que la marca del producto que más se repite, es decir, la marca de preferencia por la población muestrada es “Parx”.

tablaMarca<-table(dataMuestra$MarcaProducto)

maxMarca<-max(table(dataMuestra$MarcaProducto))
print(maxMarca)
## [1] 112
# Convertir la tabla en un dataframe
tabla_df <- as.data.frame(tablaMarca)
# Acceder al conteo
conteo <- tabla_df$Freq
# Definir el valor umbral para cambiar el color de la barra
ggplot(tabla_df,aes(x=tabla_df$Var1,y=tabla_df$Freq)) +
  geom_bar(stat = "identity", fill = ifelse(conteo == maxMarca, "green", "blue")) +
  labs(x = "Marca Producto", y = "Cant. Apariciones") +
  #ggline(promedioMarca ~range())
  ggtitle("Gráfico de barras - MarcaProducto") +
  theme_minimal()

MarcaPreferida<-dataMuestra%>%
  filter(dataMuestra$MarcaProducto==result)
precio<-as.data.frame(table(MarcaPreferida$PrecioUSD))
color<-as.data.frame(table(MarcaPreferida$ColorPrimario))
sexos<-as.data.frame(table(MarcaPreferida$Genero))

EXPLICACIÓN:

Podemos observar en mediante este gráfico de barras la marca “Parx” en MYNTRA es la preferida de los clientes siendo un total de 112 veces pedido

range(as.double(as.character(precio$Var1)))
## [1]  4.188 11.748
print(color)
##        Var1 Freq
## 1     Beige    1
## 2     Black    1
## 3      Blue   55
## 4     Brown    2
## 5     Green    6
## 6      Grey    9
## 7     Khaki    3
## 8    Maroon    4
## 9  No color    1
## 10     Pink    5
## 11   Purple    1
## 12      Red   12
## 13    White   10
## 14   Yellow    2
print(sexos)
##   Var1 Freq
## 1  Men  112

Podemos concluir que los hombres que prefieren la marca “Parx”, compran sus productos a precios entre 4.188 y 11.748, a la mayoría de dicha población les gusta el azul, pero que también escogen una gran variedad de colores.

La moda del género:

result <- mlv(dataMuestra$Genero,method="mfv")
print(result)
## [1] "Men"   "Women"

Podemos observar que la variable “Genero” es bimodal, ya que posee como a “Men” y “Women” como resultado de su moda.

tablaGenero<-table(dataMuestra$Genero)
maxGenero<-max(table(dataMuestra$Genero))

# Convertir la tabla en un dataframe
tabla_df <- as.data.frame(tablaGenero)
# Acceder al conteo
conteo <- tabla_df$Freq

# Definir el valor umbral para cambiar el color de la barra
ggplot(tabla_df,aes(x=tabla_df$Var1,y=tabla_df$Freq)) +
  geom_bar(stat = "identity", fill = ifelse(conteo == maxGenero, "green", "blue")) +
  labs(x = "Genero", y = "Cant. Apariciones") +
  ggtitle("Gráfico de barras-Genero") +
  theme_minimal()

EXPLICACIÓN:

Con este diagrama de barras se puede observar con mejor detenimiento como es que se distribuye la variable “Genero”, también podemos observar que la menor variable de apariciones es “Girls”. Por lo que podemos concluir que los productos en MYNTRA son más aprovachos por “Men” y “Woman”, además de que “Girls” no son clientes frecuentes en temas de “ropa de moda”.

La media de precios de la empresa en USD:

mean(dataMuestra$PrecioUSD)
## [1] 20.80039

La variable “PrecioUSD” tiene un promedio de 20.80039, pero esta información no puede ser muy confiable ya que existen formas de dar falsa información.

La mediana de precios de la empresa en USD:

MedianaPrecio<-median(dataMuestra$PrecioUSD)
print(MedianaPrecio)
## [1] 10.788

Podemos observar que la tendencia central en la variable “PrecioUSD” es de 10.788 dolares.

La moda de precios de la empresa en USD:

getmode <- function(mod) {
   uniqv <- unique(mod)
   uniqv[which.max(tabulate(match(mod, uniqv)))]
}
mod <- dataMuestra$PrecioUSD
result <- getmode(mod)
print(result)
## [1] 8.388
cantResult=max(table(mod))
print(cantResult)
## [1] 63

Podemos observar que el precio 8.388 dolares en la variable “PrecioUSD” es el que más se repite, siendo un total de 63 veces, por lo que podemos concluir que el precio ideal para los productos es 8.388 dolares.

tablaPrecio<-table(dataMuestra$PrecioUSD)
tabla_df <- as.data.frame(tablaPrecio)
maxCantPrecio<-max(tablaPrecio)
conteo<-tabla_df$Freq
# Acceder al conteo
plot(tabla_df,aes(x=tabla_df$Var1,y=tabla_df$Freq),main="Rango de los precios",col="red",xlab="PreciosUSD",ylab="Cant. Apariciones")+
geom_line(stat = "identity", fill = ifelse(conteo == maxCantPrecio, "green", "blue"))

## NULL

EXPLICACIÓN:

Podemos observar de mejor manera como se distribuyen los precios respecto a sus apariciones, notando de que la cantidad de más apariciones es del precio 8.38 con un total de 63 veces además de que los precios menos 25 dolares son la preferencia de los clientes ya que tienen una mayor cantidad de apariciones.

El rango de los precios:

rango<-range(dataMuestra$PrecioUSD)
print("inicia en:")
## [1] "inicia en:"
print(rango[1])
## [1] 3.108
print("termina en:")
## [1] "termina en:"
print(rango[2])
## [1] 373.2

Los valores en la variable “PrecioUSD” están en un rango entre 3.108 y 373.2.

hist(dataMuestra$PrecioUSD,col=c("red","blue","yellow","pink"),main="Histograma de precios",xlab="Precios en USD", ylab= "Cantidad")

EXPLICACIÓN:

Se puede observar de mejor manera como la mayor cantidad de apariciones en los precios son inferiores a los 50 dolares aproximadamente, y que los precios con menos apariciones son mayores a 100 dolares proximadamente. Concluyendo que los clientes prefieren los productos más baratos a 50 dolares.

El rango intercuartil de precios:

Q1=quantile(dataMuestra$PrecioUSD,0.25)#Q1
Q3=quantile(dataMuestra$PrecioUSD,0.75)#Q1
Q3-Q1
##   75% 
## 11.76
#segunda forma
IQR(dataMuestra$PrecioUSD)
## [1] 11.76
boxplot(dataMuestra$PrecioUSD,col=c('yellow'),horizontal = T,main="Rango de precios USD")

EXPLICACIÓN:

En esta boxplot podemos observar que es sesgado a la derecha con valores menores a 50 dolares, con n datos atípicos y que su su mediana está alrededor de los 25 dolares aproximadamente. Podemos concluir que la parte más corta es inferior a la mediana, y la media es mayor a la mediana.

La desviación estándar:

sd(dataMuestra$PrecioUSD)#cuanto se dispersa el precio con respecto al promedio
## [1] 34.85258

A partir de esta función la variación o dispersión en la que el precio de los productos en USD difieren de la media.

La varianza del precio:

var(dataMuestra$PrecioUSD)
## [1] 1214.702

Podemos determinar que a mayor varianza del precio, mayor dispersión.

El coeficiente de variación del precio:

coef_var <- function(cv, na.rm = TRUE) {
  sd(cv, na.rm=na.rm) / mean(cv, na.rm=na.rm)
}
cv <- dataMuestra$PrecioUSD
print(coef_var(cv))
## [1] 1.675573

Es el análisis de las desviaciones del precio con respecto a la media y al mismo tiempo las dispersiones que tienen los datos dispersos entre sí.

La moda de las imágenes

getmode <- function(mod) {
   uniqv <- unique(mod)
   uniqv[which.max(tabulate(match(mod, uniqv)))]
}

mod <- dataMuestra$NumImagenes
result <- getmode(mod)
print(result)
## [1] 5
boxplot(dataMuestra$NumImagenes,horizontal = T,col="skyblue",main="Numero de Img")

print("Promedio:")
## [1] "Promedio:"
mean(dataMuestra$NumImagenes)
## [1] 4.607
print("Mediana:")
## [1] "Mediana:"
median(dataMuestra$NumImagenes)
## [1] 5

EXPLICACIÓN:

Podemos observar que tambien presenta datos atípicos, pero algo curioso pasa en este boxplot, podemos ver que la mediana, media y la moda es aproximadamente 5, es decir podemos concluir que la distribución es simétrica.

tablaImagenes<-table(mod)
barplot(tablaImagenes,col=c('red','blue','pink','yellow','brown','skyblue','lightgreen'),main="Diagra de barras de Num. Imagenes")

> ## EXPLICACIÓN:

De una mejor manera podemos observar como es que las cantidades de los precios es que se encuentran. Con ello podemos concluir que las empresas con mayor éxito solo necesitan 5 imágenes para captar la atención del cliente.

Identificar el producto más caro:

max(dataMuestra$PrecioUSD)
## [1] 373.2
productoCaro<-dataMuestra%>%
  filter(dataMuestra$PrecioUSD==max(dataMuestra$PrecioUSD))
productoCaro
unique(productoCaro$MarcaProducto)
## [1] "DKNY"
unique(productoCaro$Genero)
## [1] "Unisex"
unique(productoCaro$ColorPrimario)
## [1] "Purple" "Black"

El producto más caro es de la marca “DKNY” para los generos de “Unisex” con un precio de 373.2 dolares con los colores Purple y Black.

Identificar los colores más repetidos que llevan el aumento de precio:

Modcolor<-getmode(dataMuestra$ColorPrimario)
print(Modcolor)
## [1] "Blue"
preguntaColor<-dataMuestra %>%
  filter(dataMuestra$ColorPrimario==Modcolor)
ModPrecioColor<-getmode(preguntaColor$PrecioUSD)
print(ModPrecioColor)
## [1] 8.388
cantResultColor<-max(table(preguntaColor$PrecioUSD))

barplot(table(preguntaColor$PrecioUSD), col= ifelse(table(preguntaColor$PrecioUSD)==cantResultColor,"red","green"), main="Diagrama de barras de los precios para los colores preferidos")

range(preguntaColor$PrecioUSD)
## [1]  3.192 67.188
MasCaro<-preguntaColor%>%
  filter(preguntaColor$PrecioUSD==max(preguntaColor$PrecioUSD))
print(MasCaro)
## # A tibble: 1 × 8
##   ProductoId NombreProducto           MarcaProducto Genero PrecioUSD NumImagenes
##        <dbl> <chr>                    <chr>         <chr>      <dbl>       <dbl>
## 1   10015921 Raymond Men Blue Self-D… Raymond       Men         67.2           5
## # ℹ 2 more variables: Descripción <chr>, ColorPrimario <chr>

EXPLICACIÓN:

Podemos observar que el color azul es el más preferido de las empresas, también que su precio más repetido es de 8.388, y se encuentra en un rango entre 3.192 y 67.188, además de que observamos de que el producto más caro con un precio de 67.188, que es destinado a los hombre, de la marca Raymond.

Con lo que podemos concluir que al alza de precio para los colores más caros, depende de la “Marca” y para el género “Cliente”.

Cuáles son los precios más caros para los Varones:

table(dataMuestra$Genero) 
## 
##   Boys  Girls    Men Unisex  Women 
##     63     43    373    148    373
preguntaBoys<- dataMuestra %>%
  filter(dataMuestra$Genero=='Boys')

MaxBoys=max(preguntaBoys$PrecioUSD)
print("Marcas: ")
## [1] "Marcas: "
unique(preguntaBoys$MarcaProducto)
## [1] "Gini and Jony"            "VASTRAMAY"               
## [3] "JBN Creation"             "U.S. Polo Assn. Kids"    
## [5] "Palm Tree"                "Aj DEZInES"              
## [7] "Marvel by Wear Your Mind" "Bubblegummers"
print('Precio maximo para Boys:')
## [1] "Precio maximo para Boys:"
print(MaxBoys)
## [1] 20.388
preguntaMen<- dataMuestra %>%
  filter(dataMuestra$Genero=='Men')
MaxMens=max(preguntaMen$PrecioUSD)
print("Marcas: ")
## [1] "Marcas: "
unique(preguntaMen$MarcaProducto)
##  [1] "Raymond"                   "Parx"                     
##  [3] "SHOWOFF"                   "Police"                   
##  [5] "Being Human"               "YAK YAK"                  
##  [7] "HIGHLANDER"                "JEWEL JUNCTION"           
##  [9] "ID"                        "Difference of Opinion"    
## [11] "Michael Kors"              "Urban Dog"                
## [13] "Campus Sutra"              "FIDO DIDO"                
## [15] "Peter England"             "AIGNER"                   
## [17] "U.S. Polo Assn. Denim Co." "Sweet Dreams"             
## [19] "Qraa Men"                  "WITH"                     
## [21] "ColorPlus"                 "Arrow"                    
## [23] "DAVID BECKHAM"             "Carrera"                  
## [25] "HARBORNBAY"                "even"                     
## [27] "Crimsoune Club"            "Puma"                     
## [29] "Blackberrys"               "Park Avenue"              
## [31] "SIMON CARTER LONDON"       "Nautica"                  
## [33] "Bvlgari"                   "Hoopers"                  
## [35] "Peter England Casuals"     "GAS"                      
## [37] "VASTRAMAY"                 "Crew STREET"              
## [39] "Zippo"                     "aramis"                   
## [41] "HERE&NOW"                  "French Connection"        
## [43] "Next Look"                 "XYXX"                     
## [45] "Geox"
print('Precio maximo para Men:')
## [1] "Precio maximo para Men:"
print(MaxMens)
## [1] 79.788
TotalVarones=MaxBoys+MaxMens
print('Precio total:')
## [1] "Precio total:"
print(TotalVarones)
## [1] 100.176

EXPLICACIÓN:

Podemos observar que los clientes más frecuentes son los Mens que los Boys, como se dijo en la moda de “Genero”, pero tambien podemos obervar que los precios al menos uno de los más caros se encuentran en los Mens, con un valor de 79.788 dolares. Dándonos un total de los maximos precios para Mens y Boys con un precio de 100.176 dolares.

Cuáles son los precios más caros para las Damas:

table(dataMuestra$Genero) 
## 
##   Boys  Girls    Men Unisex  Women 
##     63     43    373    148    373
preguntaGirls<- dataMuestra %>%
  filter(dataMuestra$Genero=='Girls')
print("Marcas: ")
## [1] "Marcas: "
unique(preguntaGirls$MarcaProducto)
##  [1] "Gini and Jony"             "Stylo Bug"                
##  [3] "Palm Tree"                 "Playdate"                 
##  [5] "berrytree"                 "United Colors of Benetton"
##  [7] "Bubblegummers"             "Pink Cow"                 
##  [9] "Daffodils"                 "Bitiya by Bhama"
MaxGirls=max(preguntaGirls$PrecioUSD)
print('Precio maximo para Girls:')
## [1] "Precio maximo para Girls:"
print(MaxGirls)
## [1] 45.6
preguntaWomen<- dataMuestra %>%
  filter(dataMuestra$Genero=='Women')
print("Marcas: ")
## [1] "Marcas: "
unique(preguntaWomen$MarcaProducto)
##  [1] "EthnoVogue"              "SPYKAR"                 
##  [3] "Kenneth Cole"            "Vishudh"                
##  [5] "PARFAIT"                 "Michael Kors"           
##  [7] "Sera"                    "AccessHer"              
##  [9] "Alcis"                   "Tokyo Talkies"          
## [11] "ANNA SUI"                "her by invictus"        
## [13] "Soie"                    "Lara Karen"             
## [15] "ahilya"                  "BuckleUp"               
## [17] "Lady Lyka"               "Park Avenue"            
## [19] "Roadster"                "Kazo"                   
## [21] "Bvlgari"                 "GAS"                    
## [23] "ZUSH"                    "DressBerry"             
## [25] "Lakme"                   "Allen Solly Woman"      
## [27] "MANGO"                   "Ishin"                  
## [29] "Shoe Couture"            "Keds"                   
## [31] "Rozia"                   "HARBORNBAY"             
## [33] "Monte Carlo"             "ether"                  
## [35] "Russell Athletic"        "MIMOSA"                 
## [37] "Rocia"                   "Annabelle by Pantaloons"
## [39] "DKNY"                    "Beli"                   
## [41] "Jn Joy"                  "THE SILHOUETTE STORE"   
## [43] "Xpose"                   "MBE"                    
## [45] "Mast & Harbour"          "JC Collection"          
## [47] "GUESS"                   "StyleStone"             
## [49] "SASSAFRAS"               "Kook N Keech Disney"    
## [51] "Honey by Pantaloons"     "Police"                 
## [53] "DOROTHY PERKINS"         "Bhama Couture"          
## [55] "Puma"                    "C9 AIRWEAR"             
## [57] "Oxolloxo"                "Crocs"                  
## [59] "Carlton London"          "shaze"                  
## [61] "Tulsattva"               "HERE&NOW"
MaxWomen=max(preguntaWomen$PrecioUSD)
print('Precio maximo para Women: ')
## [1] "Precio maximo para Women: "
print(MaxWomen)
## [1] 133.644
TotalDamas=MaxGirls+MaxWomen
print('Precio total: ')
## [1] "Precio total: "
print(TotalDamas)
## [1] 179.244

EXPLICACIÓN:

Podemos observar que los clientes más frecuentes son las Women que las Girls, como se dijo en la moda de “Genero”, pero también podemos obervar que los precios al menos uno de los más caros se encuentran en las Women, con un valor de 133.644 dolares. Dándonos un total de los maximos precios para Women y Girls con un precio de 179.244 dolares.

if (TotalDamas>TotalVarones){
  print("Las Damas tienen precio más caro con una diferencia de ")
  print(TotalDamas-TotalVarones)
  print("Datos de la compra")
  tablaResult<-preguntaWomen %>%
    filter(preguntaWomen$PrecioUSD==MaxWomen)
  tablaResult
}else{
  print("Los Varones tienen precio más caro con una diferencia de ")
  print(TotalVarones-TotalDamas)
}
## [1] "Las Damas tienen precio más caro con una diferencia de "
## [1] 79.068
## [1] "Datos de la compra"

Podemos concluir que las damas han comprado los productos más caros y que son de la marca “ahilya”, llamado “ahilya Gold-Plated Sterling Silver Jhumka Earrings” y que es de color “Gold”.

El rango de los precios según el genero de la ropa:

ggplot(data = dataMuestra, aes(x = dataMuestra$Genero, y = dataMuestra$PrecioUSD, fill = dataMuestra$Genero)) +
  geom_boxplot() +
  labs(title = "Relación entre el Precio y el Género de la Ropa",
       x = "Género",
       y = "Precio",
       fill = "Género") +
  theme_minimal()

EXPLICACIÓN:

Podemos apreciar que este gráfico nos da una relación entre el precio de la ropa y el género al que va destinado, por lo que, podemos concluir que la ropa unisex es de las mas costosas, superando los 300 dolares, seguido por la ropa para mujeres y finalmete la ropa para hombres. Además, la ropa para niños es la más económica, con un precio por debajo de los 50 dolares.

La cantidad de ropa Unisex que saca cada marca

dataHombres <- dataMuestra %>% filter(Genero == "Unisex")
ggplot(data = dataHombres, aes(x = dataHombres$MarcaProducto, fill = dataHombres$Genero)) +
  geom_bar(position="dodge") +
  labs(title = "Relación entre la Marca y el Género de la Ropa",
       x = "Marca",
       y = "Conteo",
       fill = "Género") +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 90)) 

EXPLICACIÓN:

Podemos apreciar, mediante un gráfico de barras que cada marca tienen una preferencia en cuanto al genero de ropa Unisex en variación a los demás géneros. De esta forma, se puede visualizar rápidamente que marcas en el conjunto de datos dataMuestra producen una mayor cantidad de ropa unisex.

Conclusiones

  1. El producto preferido de los clientes es “Parx Men Blue Slim Fit Checked Casual Shirt”, mayormente comprado por hombres, con el color azul y sus precios rondan entre 8.148 y 11.268 dolares.

  2. La marca preferida de los clientes es “Parx”, mayormente comprada por hombres, con colores muy variados pero con una preferencia del azul y sus precios rondan entre 4.188 y 11.748 dolares.

  3. Nuestros mayores clientes son Men y Women (hombres y mujeres), luego el género Unisex, continuando con Boys y el cliente menos común Girls.

  4. Nuestros precios están en un rango entre 3.108 y 373.2 dolares, el precio con el que los clientes prefieren comprar es de 8.388 dolares, además de que también en el gráfico de puntos, podemos observar que los precios menores a 50 también son más frecuentes entre los clientes por sus cantidades de apariciones.

  5. Como hemos observado en las conclusiones 1 y 2 el color azul es el que mayormente aparece, con un rango de precios entre 3.192 y 67.188 dolares, y que el alza de precio por el color se debe ala Marca y al género del cliente.

  6. Analizando el precio entre los géneros, no hemos tomado en cuenta el género “Unisex” por que entraría en los dos casos y se terminaran restando, luego analizamos a todo el género “Masculino” (Men y Boys) y a todo el género “Femenino” (Women y Girls), luego los sumamos todos sus precios para luego restar esos dos géneros, entonces podemos ver que el género “Femenino” es el que tiene el precio más caro (133.644 dólares) de la marca “ahilya” con el producto “ahilya Gold-Plated Sterling Silver Jhumka Earrings” de color dorado.

Parte 2

Probabilidad Empírica

Probabilidades de Marca

table(dataMuestra$MarcaProducto)
## 
##                 AccessHer                    ahilya                    AIGNER 
##                        29                        17                         2 
##                Aj DEZInES                     Alcis         Allen Solly Woman 
##                         2                         1                         2 
##                  ANNA SUI   Annabelle by Pantaloons                    aramis 
##                         1                         1                         1 
##                     Arrow               Being Human                      Beli 
##                         1                         1                         3 
##                 berrytree             Bhama Couture           Bitiya by Bhama 
##                         2                         1                         1 
##               Blackberrys             Bubblegummers                  BuckleUp 
##                         6                         3                         6 
##                   Bvlgari                C9 AIRWEAR              Campus Sutra 
##                        10                         1                        32 
##            Carlton London                   Carrera                 ColorPlus 
##                         1                         4                         2 
##               Crew STREET            Crimsoune Club                     Crocs 
##                         1                         2                         1 
##                 Daffodils             DAVID BECKHAM     Difference of Opinion 
##                         1                         3                        11 
##                      DKNY           DOROTHY PERKINS                DressBerry 
##                        26                         1                         1 
##                     ether                EthnoVogue                      even 
##                         6                         4                         1 
##             ExclusiveLane                 FIDO DIDO         French Connection 
##                         1                         4                         1 
##                       GAS                      Geox             Gini and Jony 
##                         3                         1                        66 
##                     GUESS                HARBORNBAY           her by invictus 
##                         1                         3                        17 
##                  HERE&NOW                HIGHLANDER                  Homesake 
##                         2                        33                        30 
##       Honey by Pantaloons                   Hoopers                        ID 
##                         1                         1                        41 
##                     Ishin              JBN Creation             JC Collection 
##                         2                         2                         2 
##            JEWEL JUNCTION                    Jn Joy                      Kazo 
##                        33                         1                         4 
##                      Keds              Kenneth Cole       Kook N Keech Disney 
##                         1                         3                         1 
##                 Lady Lyka                     Lakme                Lara Karen 
##                        29                        11                         1 
##                     MANGO  Marvel by Wear Your Mind            Mast & Harbour 
##                         3                         7                         2 
##                       MBE                MIAH Decor              Michael Kors 
##                         4                        17                         9 
##                    MIMOSA               Monte Carlo                   Nautica 
##                         4                         1                         1 
##                    NEUDIS                 Next Look                  Oxolloxo 
##                         1                         1                         1 
##                 Palm Tree                   PARFAIT               Park Avenue 
##                         7                        58                        17 
##                      Parx             Peter England     Peter England Casuals 
##                       112                         4                         1 
##                  Pink Cow                  Playdate                    Police 
##                         1                         3                         4 
##                      Puma                  Qraa Men                   Raymond 
##                         8                         3                        25 
##                  Roadster                     Rocia                     ROMEE 
##                         4                         1                         2 
##                     Rozia          Russell Athletic                 SASSAFRAS 
##                         3                         5                         1 
##        SEJ by Nisha Gupta                      Sera                     shaze 
##                        49                        13                         1 
##              Shoe Couture                   SHOWOFF       SIMON CARTER LONDON 
##                         2                         3                         1 
##                      Soie                    Soumya                    SPYKAR 
##                        17                         2                        34 
##                Story@home                StyleStone                 Stylo Bug 
##                        14                         1                         2 
##              Sweet Dreams                    TAYHAA      THE SILHOUETTE STORE 
##                         2                         3                         1 
##             Tokyo Talkies                 Tulsattva U.S. Polo Assn. Denim Co. 
##                         8                         1                         2 
##      U.S. Polo Assn. Kids United Colors of Benetton                 Urban Dog 
##                         3                         1                        14 
##                 VASTRAMAY                   Vishudh                      VLCC 
##                         6                        16                         1 
##                      WITH                     Xpose                      XYXX 
##                         3                         2                         1 
##                   YAK YAK                     Zippo                      ZUSH 
##                         1                         1                         2
tablaMarcaProducto<-table(dataMuestra$MarcaProducto)
tabla_df <- as.data.frame(tablaMarcaProducto)
tabla_df

Obtenemos el total y lo dividimos usando P’(A)=n(A)/n

print("total de casos")
## [1] "total de casos"
sum(tabla_df$Freq)
## [1] 1000

PROBABILIDADES DE LOS PRODUCTOS:

ProbMarcas<-data.frame(
  "Marcas"=c(tabla_df$Var1),
  "Probabilidad"=c(tabla_df$Freq/sum(tabla_df$Freq))
)
ProbMarcas  

Marca más probable

ProbMarcas$Marcas[ProbMarcas$Probabilidad==max(ProbMarcas$Probabilidad)]
## [1] Parx
## 123 Levels: AccessHer ahilya AIGNER Aj DEZInES Alcis ... ZUSH

Marca menos probable

ProbMarcas$Marcas[ProbMarcas$Probabilidad==min(ProbMarcas$Probabilidad)]
##  [1] Alcis                     ANNA SUI                 
##  [3] Annabelle by Pantaloons   aramis                   
##  [5] Arrow                     Being Human              
##  [7] Bhama Couture             Bitiya by Bhama          
##  [9] C9 AIRWEAR                Carlton London           
## [11] Crew STREET               Crocs                    
## [13] Daffodils                 DOROTHY PERKINS          
## [15] DressBerry                even                     
## [17] ExclusiveLane             French Connection        
## [19] Geox                      GUESS                    
## [21] Honey by Pantaloons       Hoopers                  
## [23] Jn Joy                    Keds                     
## [25] Kook N Keech Disney       Lara Karen               
## [27] Monte Carlo               Nautica                  
## [29] NEUDIS                    Next Look                
## [31] Oxolloxo                  Peter England Casuals    
## [33] Pink Cow                  Rocia                    
## [35] SASSAFRAS                 shaze                    
## [37] SIMON CARTER LONDON       StyleStone               
## [39] THE SILHOUETTE STORE      Tulsattva                
## [41] United Colors of Benetton VLCC                     
## [43] XYXX                      YAK YAK                  
## [45] Zippo                    
## 123 Levels: AccessHer ahilya AIGNER Aj DEZInES Alcis ... ZUSH

Probabilidades de Género

table(dataMuestra$MarcaProducto)
## 
##                 AccessHer                    ahilya                    AIGNER 
##                        29                        17                         2 
##                Aj DEZInES                     Alcis         Allen Solly Woman 
##                         2                         1                         2 
##                  ANNA SUI   Annabelle by Pantaloons                    aramis 
##                         1                         1                         1 
##                     Arrow               Being Human                      Beli 
##                         1                         1                         3 
##                 berrytree             Bhama Couture           Bitiya by Bhama 
##                         2                         1                         1 
##               Blackberrys             Bubblegummers                  BuckleUp 
##                         6                         3                         6 
##                   Bvlgari                C9 AIRWEAR              Campus Sutra 
##                        10                         1                        32 
##            Carlton London                   Carrera                 ColorPlus 
##                         1                         4                         2 
##               Crew STREET            Crimsoune Club                     Crocs 
##                         1                         2                         1 
##                 Daffodils             DAVID BECKHAM     Difference of Opinion 
##                         1                         3                        11 
##                      DKNY           DOROTHY PERKINS                DressBerry 
##                        26                         1                         1 
##                     ether                EthnoVogue                      even 
##                         6                         4                         1 
##             ExclusiveLane                 FIDO DIDO         French Connection 
##                         1                         4                         1 
##                       GAS                      Geox             Gini and Jony 
##                         3                         1                        66 
##                     GUESS                HARBORNBAY           her by invictus 
##                         1                         3                        17 
##                  HERE&NOW                HIGHLANDER                  Homesake 
##                         2                        33                        30 
##       Honey by Pantaloons                   Hoopers                        ID 
##                         1                         1                        41 
##                     Ishin              JBN Creation             JC Collection 
##                         2                         2                         2 
##            JEWEL JUNCTION                    Jn Joy                      Kazo 
##                        33                         1                         4 
##                      Keds              Kenneth Cole       Kook N Keech Disney 
##                         1                         3                         1 
##                 Lady Lyka                     Lakme                Lara Karen 
##                        29                        11                         1 
##                     MANGO  Marvel by Wear Your Mind            Mast & Harbour 
##                         3                         7                         2 
##                       MBE                MIAH Decor              Michael Kors 
##                         4                        17                         9 
##                    MIMOSA               Monte Carlo                   Nautica 
##                         4                         1                         1 
##                    NEUDIS                 Next Look                  Oxolloxo 
##                         1                         1                         1 
##                 Palm Tree                   PARFAIT               Park Avenue 
##                         7                        58                        17 
##                      Parx             Peter England     Peter England Casuals 
##                       112                         4                         1 
##                  Pink Cow                  Playdate                    Police 
##                         1                         3                         4 
##                      Puma                  Qraa Men                   Raymond 
##                         8                         3                        25 
##                  Roadster                     Rocia                     ROMEE 
##                         4                         1                         2 
##                     Rozia          Russell Athletic                 SASSAFRAS 
##                         3                         5                         1 
##        SEJ by Nisha Gupta                      Sera                     shaze 
##                        49                        13                         1 
##              Shoe Couture                   SHOWOFF       SIMON CARTER LONDON 
##                         2                         3                         1 
##                      Soie                    Soumya                    SPYKAR 
##                        17                         2                        34 
##                Story@home                StyleStone                 Stylo Bug 
##                        14                         1                         2 
##              Sweet Dreams                    TAYHAA      THE SILHOUETTE STORE 
##                         2                         3                         1 
##             Tokyo Talkies                 Tulsattva U.S. Polo Assn. Denim Co. 
##                         8                         1                         2 
##      U.S. Polo Assn. Kids United Colors of Benetton                 Urban Dog 
##                         3                         1                        14 
##                 VASTRAMAY                   Vishudh                      VLCC 
##                         6                        16                         1 
##                      WITH                     Xpose                      XYXX 
##                         3                         2                         1 
##                   YAK YAK                     Zippo                      ZUSH 
##                         1                         1                         2
tablaGenero<-table(dataMuestra$Genero)
tabla_df <- as.data.frame(tablaGenero)
tabla_df

Obtenemos el total y lo dividimos usando P’(A)=n(A)/n

print("total de casos")
## [1] "total de casos"
sum(tabla_df$Freq)
## [1] 1000

PROBABILIDADES DE LOS GÉNEROS:

ProbGenero<-data.frame(
  "Genero"=c(tabla_df$Var1),
  "Probabilidad"=c(tabla_df$Freq/sum(tabla_df$Freq))
)
ProbGenero

Género más probable

ProbGenero$Genero[ProbGenero$Probabilidad==max(ProbGenero$Probabilidad)]
## [1] Men   Women
## Levels: Boys Girls Men Unisex Women

Género menos probable

ProbGenero$Genero[ProbGenero$Probabilidad==min(ProbGenero$Probabilidad)]
## [1] Girls
## Levels: Boys Girls Men Unisex Women

Probabilidades de color

table(dataMuestra$MarcaProducto)
## 
##                 AccessHer                    ahilya                    AIGNER 
##                        29                        17                         2 
##                Aj DEZInES                     Alcis         Allen Solly Woman 
##                         2                         1                         2 
##                  ANNA SUI   Annabelle by Pantaloons                    aramis 
##                         1                         1                         1 
##                     Arrow               Being Human                      Beli 
##                         1                         1                         3 
##                 berrytree             Bhama Couture           Bitiya by Bhama 
##                         2                         1                         1 
##               Blackberrys             Bubblegummers                  BuckleUp 
##                         6                         3                         6 
##                   Bvlgari                C9 AIRWEAR              Campus Sutra 
##                        10                         1                        32 
##            Carlton London                   Carrera                 ColorPlus 
##                         1                         4                         2 
##               Crew STREET            Crimsoune Club                     Crocs 
##                         1                         2                         1 
##                 Daffodils             DAVID BECKHAM     Difference of Opinion 
##                         1                         3                        11 
##                      DKNY           DOROTHY PERKINS                DressBerry 
##                        26                         1                         1 
##                     ether                EthnoVogue                      even 
##                         6                         4                         1 
##             ExclusiveLane                 FIDO DIDO         French Connection 
##                         1                         4                         1 
##                       GAS                      Geox             Gini and Jony 
##                         3                         1                        66 
##                     GUESS                HARBORNBAY           her by invictus 
##                         1                         3                        17 
##                  HERE&NOW                HIGHLANDER                  Homesake 
##                         2                        33                        30 
##       Honey by Pantaloons                   Hoopers                        ID 
##                         1                         1                        41 
##                     Ishin              JBN Creation             JC Collection 
##                         2                         2                         2 
##            JEWEL JUNCTION                    Jn Joy                      Kazo 
##                        33                         1                         4 
##                      Keds              Kenneth Cole       Kook N Keech Disney 
##                         1                         3                         1 
##                 Lady Lyka                     Lakme                Lara Karen 
##                        29                        11                         1 
##                     MANGO  Marvel by Wear Your Mind            Mast & Harbour 
##                         3                         7                         2 
##                       MBE                MIAH Decor              Michael Kors 
##                         4                        17                         9 
##                    MIMOSA               Monte Carlo                   Nautica 
##                         4                         1                         1 
##                    NEUDIS                 Next Look                  Oxolloxo 
##                         1                         1                         1 
##                 Palm Tree                   PARFAIT               Park Avenue 
##                         7                        58                        17 
##                      Parx             Peter England     Peter England Casuals 
##                       112                         4                         1 
##                  Pink Cow                  Playdate                    Police 
##                         1                         3                         4 
##                      Puma                  Qraa Men                   Raymond 
##                         8                         3                        25 
##                  Roadster                     Rocia                     ROMEE 
##                         4                         1                         2 
##                     Rozia          Russell Athletic                 SASSAFRAS 
##                         3                         5                         1 
##        SEJ by Nisha Gupta                      Sera                     shaze 
##                        49                        13                         1 
##              Shoe Couture                   SHOWOFF       SIMON CARTER LONDON 
##                         2                         3                         1 
##                      Soie                    Soumya                    SPYKAR 
##                        17                         2                        34 
##                Story@home                StyleStone                 Stylo Bug 
##                        14                         1                         2 
##              Sweet Dreams                    TAYHAA      THE SILHOUETTE STORE 
##                         2                         3                         1 
##             Tokyo Talkies                 Tulsattva U.S. Polo Assn. Denim Co. 
##                         8                         1                         2 
##      U.S. Polo Assn. Kids United Colors of Benetton                 Urban Dog 
##                         3                         1                        14 
##                 VASTRAMAY                   Vishudh                      VLCC 
##                         6                        16                         1 
##                      WITH                     Xpose                      XYXX 
##                         3                         2                         1 
##                   YAK YAK                     Zippo                      ZUSH 
##                         1                         1                         2
tablaColor<-table(dataMuestra$ColorPrimario)
tabla_df <- as.data.frame(tablaColor)
tabla_df

Obtenemos el total y lo dividimos usando P’(A)=n(A)/n

print("total de casos")
## [1] "total de casos"
sum(tabla_df$Freq)
## [1] 1000

PROBABILIDADES DE LOS COLORES:

ProbColores<-data.frame(
  "Color"=c(tabla_df$Var1),
  "Probabilidad"=c(tabla_df$Freq/sum(tabla_df$Freq))
)
ProbColores  

Color más probable

ProbColores$Color[ProbColores$Probabilidad==max(ProbColores$Probabilidad)]
## [1] Blue
## 26 Levels: Beige Black Blue Brown Burgundy Charcoal Gold Green Grey ... Yellow

Color menos probable

ProbColores$Color[ProbColores$Probabilidad==min(ProbColores$Probabilidad)]
## [1] Charcoal Lavender Peach    Platinum Rose    
## 26 Levels: Beige Black Blue Brown Burgundy Charcoal Gold Green Grey ... Yellow

Probabilidad Condicional

¿Cuál es la probabilidad de seleccionar dos prendas de la marca Parx? (sin quitar)

#P(P1,P2)= P(P1)* P(P2/P1)
P1=ProbMarcas$Probabilidad[ProbMarcas$Marcas=="Parx"] 
P1
## [1] 0.112
P2=ProbMarcas$Probabilidad[ProbMarcas$Marcas=="Parx"] 
P2
## [1] 0.112
P1_P2=P1*P2
P1_P2
## [1] 0.012544

¿Cuál es la probabilidad de escoger dos prendas de color Gold? (sin quitar)

#P(P1,P2)= P(P1)* P(P2/P1)
P1=ProbColores$Probabilidad[ProbColores$Color=="Gold"] 
P1
## [1] 0.045
P2=ProbColores$Probabilidad[ProbColores$Color=="Gold"] 
P2
## [1] 0.045
P1_P2=P1*P2
P1_P2
## [1] 0.002025

¿Cuál es la probabilidad de que entrevistar 2 clientes Men? (sin repetir)

#P(P1,P2)= P(P1)* P(P2/P1)
P1=ProbGenero$Probabilidad[ProbGenero$Genero=="Men"]
P1
## [1] 0.373
print("Regresamos su tabla a la normalidad")
## [1] "Regresamos su tabla a la normalidad"
ProbGenero$Probabilidad<-ProbGenero$Probabilidad*1000
ProbGenero
ProbGenero$Probabilidad<-c(ProbGenero$Probabilidad[1:2],ProbGenero$Probabilidad[ProbGenero$Genero=="Men"]-1,ProbGenero$Probabilidad[4:5])
ProbGenero
ProbGenero$Probabilidad<-ProbGenero$Probabilidad/999
ProbGenero
P2=ProbGenero$Probabilidad[ProbGenero$Genero=="Men"]

P2
## [1] 0.3723724
P1_P2=P1*P2
P1_P2
## [1] 0.1388949

¿Cuál es la probabilidad de devolver dos prendas de la marca Parx y luego de la marca ExclusiveLane?

#P(P1,P2)= P(P1)* P(P2/P1)
P1=ProbMarcas$Probabilidad[ProbMarcas$Marcas=="Parx"]
P1
## [1] 0.112
print("Regresamos su tabla a la normalidad")
## [1] "Regresamos su tabla a la normalidad"
ProbMarcas$Probabilidad<-ProbMarcas$Probabilidad*1000
ProbMarcas
ProbMarcas$Probabilidad<-c(ProbMarcas$Probabilidad[1:78],ProbMarcas$Probabilidad[ProbMarcas$Marcas=="Parx"]-1,ProbMarcas$Probabilidad[80:123])
ProbMarcas
ProbMarcas$Probabilidad<-ProbMarcas$Probabilidad/999
ProbMarcas
P2=ProbMarcas$Probabilidad[ProbMarcas$Marcas=="ExclusiveLane"]
P2
## [1] 0.001001001
P1_P2=P1*P2
P1_P2
## [1] 0.0001121121